論文の概要: An Explainable Artificial Intelligence Approach for Unsupervised Fault Detection and Diagnosis in Rotating Machinery

• arxiv url: http://arxiv.org/abs/2102.11848v1
• Date: Tue, 23 Feb 2021 18:28:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 14:08:18.722429
• Title: An Explainable Artificial Intelligence Approach for Unsupervised Fault Detection and Diagnosis in Rotating Machinery
• Title（参考訳）: 回転機械の教師なし故障検出と診断のための説明可能な人工知能アプローチ
• Authors: Lucas Costa Brito, Gian Antonio Susto, Jorge Nei Brito, Marcus Antonio Viana Duarte
• Abstract要約: 本稿では,回転機械の故障検出と診断のための新しい手法を提案する。 この手法は,特徴抽出,障害検出,障害診断の3つの部分からなる。 提案手法の有効性は,機械的故障の異なる3つのデータセットに示される。
• 参考スコア（独自算出の注目度）: 2.055054374525828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The monitoring of rotating machinery is an essential task in today's production processes. Currently, several machine learning and deep learning-based modules have achieved excellent results in fault detection and diagnosis. Nevertheless, to further increase user adoption and diffusion of such technologies, users and human experts must be provided with explanations and insights by the modules. Another issue is related, in most cases, with the unavailability of labeled historical data that makes the use of supervised models unfeasible. Therefore, a new approach for fault detection and diagnosis in rotating machinery is here proposed. The methodology consists of three parts: feature extraction, fault detection and fault diagnosis. In the first part, the vibration features in the time and frequency domains are extracted. Secondly, in the fault detection, the presence of fault is verified in an unsupervised manner based on anomaly detection algorithms. The modularity of the methodology allows different algorithms to be implemented. Finally, in fault diagnosis, Shapley Additive Explanations (SHAP), a technique to interpret black-box models, is used. Through the feature importance ranking obtained by the model explainability, the fault diagnosis is performed. Two tools for diagnosis are proposed, namely: unsupervised classification and root cause analysis. The effectiveness of the proposed approach is shown on three datasets containing different mechanical faults in rotating machinery. The study also presents a comparison between models used in machine learning explainability: SHAP and Local Depth-based Feature Importance for the Isolation Forest (Local- DIFFI). Lastly, an analysis of several state-of-art anomaly detection algorithms in rotating machinery is included.
• Abstract（参考訳）: 回転機械の監視は、今日の生産プロセスにおいて重要な課題である。 現在、いくつかの機械学習とディープラーニングベースのモジュールは、故障の検出と診断において優れた結果を達成しています。 それでも、ユーザの採用と普及をさらに増やすためには、ユーザと人間の専門家に、モジュールによる説明と洞察を提供する必要がある。 もう1つの問題は、ほとんどの場合、教師付きモデルの使用を不可能にするラベル付き履歴データが利用できないことである。 そこで, 回転機械の故障検出と診断のための新しい手法を提案する。 この手法は,特徴抽出,障害検出,障害診断の3つの部分からなる。 第1部では、時間領域と周波数領域の振動特性を抽出します。 次に、異常検出において、異常検出アルゴリズムに基づいて教師なしの方法で障害の有無を検証する。 方法論のモジュール化により、異なるアルゴリズムを実装できる。 最後に、故障診断では、ブラックボックスモデルを解釈する技術であるShapley Additive Explanations(SHAP)が使用される。 モデル説明性によって得られた特徴重要度ランキングにより、故障診断を行う。 非教師なし分類と根本原因分析の2つの診断ツールが提案されている。 提案手法の有効性は, 回転機械の機械故障が異なる3つのデータセットに示される。 この研究はまた、機械学習の説明可能性に使用されるモデルの比較も示している:SHAPとローカル深さベースのアイソレーションフォレスト(LocalDIFFI)の機能重要度。 最後に、回転機械におけるいくつかの最先端異常検出アルゴリズムの分析を含む。

関連論文リスト

• Statistical Batch-Based Bearing Fault Detection [0.0]
  回転機械の領域では、ベアリングはボール、インナーおよびアウターレース断層を含む異なる機械的断層に対して脆弱である。 古典的な信号分析から深層学習まで、様々な手法が条件に基づくモニタリングに利用できる。
  論文  参考訳（メタデータ） (2024-07-24T12:45:02Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
  電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。 マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。 ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-27T03:25:12Z)
• A Comparison of Residual-based Methods on Fault Detection [6.675805308519987]
  本研究では,産業システムにおける欠陥検出のための残差に基づく2つのアプローチを比較した。 性能評価は, 健康指標構築, 断層検出, 健康指標解釈の3つの課題に焦点をあてる。 その結果、両モデルとも平均20サイクルの遅延で故障を検出でき、偽陽性率を低く維持できることがわかった。
  論文  参考訳（メタデータ） (2023-09-05T14:39:27Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Deep Scattering Spectrum germaneness to Fault Detection and Diagnosis for Component-level Prognostics and Health Management (PHM) [0.0]
  本研究は,産業用ロボットの機械的構成要素に対するDES(Deep Scattering Spectrum)の故障検出とデイグナシスとの関連性について考察する。 複数の産業用ロボットと異なる機械的欠陥を使って、障害を分類するアプローチを構築しました。 提案手法は, 実用試験台に実装され, 故障検出および診断において良好な性能を示した。
  論文  参考訳（メタデータ） (2022-10-18T13:25:02Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
  データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。 モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。 提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
  論文  参考訳（メタデータ） (2021-10-17T13:42:37Z)
• Bayesian Structural Learning for an Improved Diagnosis of Cyber-Physical Systems [0.8379286663107844]
  本稿では,構造化診断モデルの自動学習のためのスケーラブルアルゴリズムを提案する。 比較アルゴリズムと同等のパフォーマンスを提供し、解釈性を向上させます。
  論文  参考訳（メタデータ） (2021-04-02T11:14:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。